最近在学习python,练习一个汉字分词的算法的时候,发现程序总是会出现形如
UnicodeDecodeError: 'utf8' codec can't decode byte 0x?? in position ?
的错误警告。
找了一些资料最终解决了问题,所以记录一下。
使用的python为2.7版本,平台为IDLE。
在程序里执行
import sys
print sys.getdefaultencoding()
得到输出为
ascii
说明系统默认的字符编码方式是ascii码方式,为了对读取文本和键入的汉字进行,在程序中采用了
sentence = unicode(sentence,'utf-8')
其中sentence是键入或是读取文件中的一行数据。
然后解释过程中就会发生形如
UnicodeDecodeError: 'utf8' codec can't decode byte 0x?? in position ?
的错误警告,并且明确指示为
sentence = unicode(sentence,'utf-8')
存在错误。
问题在于,IDLE由于采用ascii作为默认编码,对于键入的汉字则默认采用了gbk的编码方式,因而unicode使用解码utf-8编码方式就会发生错误。
正确的做法是,使用
sentence = sentence.decode('gbk')
或是
sentence = unicode(sentence,'gbk')
将gbk编码的汉字字符转换为unicode编码。
类似的问题应该都是由于混合编码导致的,注意统一编码应该就都能解决问题。